基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型

张光昊; 张新燕; 王朋凯

doi:10.19725/j.cnki.1007-2322.2023.0025

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型

新能源电力系统 | 更新时间：2025-10-13

- 基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型
- A Short-term Wind Power Prediction Model Based on Graph Convolutional Neural Network-bidirectional Gated Recurrent Unit and Attention Mechanism
- “在风电功率预测领域，专家提出了一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型，为提高预测精度提供解决方案。”
- 现代电力 2025年42卷第2期页码：201-208
- 作者机构：
  
  新疆大学电气工程学院, 新疆维吾尔自治区乌鲁木齐市 830047
- 作者简介：
  
  [ "张光昊(1996)，男，硕士研究生，研究方向为风电功率预测，E-mail：846068388@qq.com" ]
  [ "张新燕(1964)，女，博士，教授，博士生导师，主要从事电力系统自动化、可再生能源并网技术研究，E-mail：xjcxzxy@126.com" ]
  [ "王朋凯(1996)，男，硕士研究生，研究方向为锂电池寿命预测，E-mail：2662210764@qq.com" ]
- 基金信息：
  
  国家自然科学基金项目(51667018)；新疆维吾尔自治区自然科学基金项目(2021D01C044)。
- DOI：10.19725/j.cnki.1007-2322.2023.0025
  中图分类号： TM614
- 收稿：2023-01-29，
  
  录用：2023-12-01，
  
  纸质出版：2025-04-10
- 稿件说明：
移动端阅览
张光昊, 张新燕, 王朋凯. 基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型[J]. 现代电力, 2025,42(2):201-208.

Guanghao ZHANG, Xinyan ZHANG, Pengkai WANG. A Short-term Wind Power Prediction Model Based on Graph Convolutional Neural Network-bidirectional Gated Recurrent Unit and Attention Mechanism[J]. Modern electric power, 2025, 42(2): 201-208.
张光昊, 张新燕, 王朋凯. 基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型[J]. 现代电力, 2025,42(2):201-208. DOI： 10.19725/j.cnki.1007-2322.2023.0025.

Guanghao ZHANG, Xinyan ZHANG, Pengkai WANG. A Short-term Wind Power Prediction Model Based on Graph Convolutional Neural Network-bidirectional Gated Recurrent Unit and Attention Mechanism[J]. Modern electric power, 2025, 42(2): 201-208. DOI： 10.19725/j.cnki.1007-2322.2023.0025.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测

基于数据增强和特征注意力机制的灰狼优化算法−优化残差神经网络变压器故障诊断方法

基于主成分分析和谱聚类的短期风功率预测

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型

A Short-term Wind Power Prediction Model Based on Graph Convolutional Neural Network-bidirectional Gated Recurrent Unit and Attention Mechanism

DOI：10.19725/j.cnki.1007-2322.2023.0025